خود ختم شود. اولین گره، با عنوان گره ریشه شناخته شده و در مورد مطالعه مورد نظر این مطالعه، گره مذکور نماد مربوط به لحظه تصمیم گیری در ار ارتباط با تصمیمات اینجا و اکنون خازنگذاری میباشد. در گره ریشه، تصمیمات مربوط به اولین گام تصمیمسازی اتخاذ میشوند. گرههای متصل به گره ریشه، گرههای مرحله دوم بوده که در این مرحله تصمیمات مربوط به گام دوم، در مورد این گزارش تصمیمات مربوط تنظیم متغیرهای کنترلی دیسپچ توان اکتیو و راکتیو و تنظیم تپ ترانسها اتخاذ میشوند. تعداد گرهها، در آخرین گام، نمایانگر تعداد سناریوهای سیستم مطالعه مورد نظر میباشند. گرههای این مرحله با عنوان برگهای درخت سناریو شناخته میشوند. در درخت سناریوی تصادفی ، شاخهها نمایانگر تحققهای متفاوت و مختلف متغیر تصادفی میباشند. در این گزارش، شاخهها نمایانگر تحقق متغیر تصادفی برای هر ساعت از مدل برنامه ریزی تصادفی خازنگذاری میباشند. به منظور کاهش ابعاد حجیم درخت سناریو، در این مطالعه از تکنیک کاهش سناریو استفاده شده است که در بخش بعدی بدان پرداخته شده است.
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
۴-۳کاهش سناریو:
میزان متغیر تصادفی در گام tام از برنامه ریزی تصادفی که بیانگر تحقق متغیر تصادفی در بازه زمانیtام مدل برنامه ریزی تصادفی خازنها می باشد. .هرنمونه از تحقق این متغیر های تصادفی در هر گام در شاخه ای از درخت سناریوی مورد نظر جای گرفته و هر شاخه با نماد نشان داده شده که w نمایانگر هر سناریو و کل سناریو های ساخته شده می باشد. در انتها، مدل برنامه ریزی تصادفی بر اساس کل سناریوهای تشکیل شده و با بهره گرفتن از تکنیک های بهینه سازی حل میشود.
اندازه و ابعاد درخت سناریوی ساخته شده که محصول پروسه ساخت درخت سناریو می باشد،عمدتا بسیار بزرگ بوده، و متعاقبا ، ردگیری نتایج بهینه سازی را با دشواری همراه می کند. برای بازیابی توانایی رهگیری نتایج بهینه سازی، در این گزارش ،از سویی کاهش سناریو ها و از سوی دیگر حفظ ویژگی های درخت سناریو اولیه ، مورد توجه قرار گرفته است.از این نظر این گزارش به دنبال درخت سناریویی می باشد که راهکار بهینه را ارائه داده ،و در عین حال به ویژگی های درخت سناریو اولیه ،و مسئله اصلی پایبند باشد.در گزارش های پژوهشی مرتبط با کاهش سناریو ،تلاش های وافری صورت گرفته است. در مورد مسائل دو مرحله ای، میتوان درخت سناریو ایجاد شده را به کمک مفهوم فاصله احتمال به درخت سناریوی با ابعاد مناسب کاست.تحت این شرایط میتوان نشان داد ، در صورتی که دو درخت از نظر معیار های احتمالاتی به یکدیگر نزدیک باشند ، مقدار بهینه مسئله کوچکتر نزدیک به مقدار بهینه مسئله اصلی خواهد بود.
معمولترین و شناخته شده ترین روش فاصله احتمال که در بهینه سازی های تصادفی به کار گرفته شده است فاصله کانتروویچ میباشد که توسط رابطه زیر بین دو توزیع اختمالی Qو تعریف می شود که تابع هزینه همگن پیوسته غیر منفی بوده بر روی توزیع احتمالاتی مشترک Ω*Ω تعریف می شود ]۴۲[.
(۴-۱) |
اگر فرض کنیم در این صورت معیار وازرشتاین از مرتبه r را در اختیار داریم که نشان داده شده است میتواند ویژگی های قابل توجهی در مسائل بهینه سازی تصادفی داسته باشد.
در این زمینه ،که Q و توزیع احتمال محدود مربوط به دسته سناریو های اولیه ودسته کاهش داده شده می باشد، می توانیم تعریف کنیم:
(۴-۲) |
همچنین در مرجع]۷۴[ نشان داده شده که از این رابطه برای نیل به فاصله کانتروویچ می تواند استفاده نمود.
(۴-۳) |
درحالت کلی دو راه حل برای دستیابی به مدل کاهش سناریو به روش فوق الذکر وجود دارد که تحت عنوان کاهش پسرو و انتخاب پیشرو شناخته می شوند به کار گیری این دو روش منجر به دستیابی به مجموعه اندیس های و از سناریو های حذف شده با تعدادN-n عضو خواهد شد.مفهوم این پروسه این است که مجموعه ای از سناریو ها باید حذف شوند که دارای فاصله کمی از مجموعه سناریو ها باشند و یا احتمال کمی وجود داشته باشد که آن ها رخ دهند.
در الگوریتم پسروی کاهش سناریو ، سناریو های کاندیدا حذف ،یکی یکی انتخاب می شوند و حذف می گردند.روش کار الگوریتم بدین صورت است که ابتدا مجموعه کلید نمونه های تصادفی در نظر گرفته می شود. سپس نمونه ای که دارای کمترین مقدار حاصلضرب هر نمونه در فاصله آن نمونه از بقیه نمونه ها می باشد ، به عنوان کاندیدای حذف انتخاب می شوند. لازم به یادآوری است که فاصله یک نقطه از مجموعه نقاط، کمترین فاصله آن نقطه با تک تک نقاط آن مجموعه می باشد[۷۵].
در مرحله بعد نیز همین عمل در مورد سناریوهای باقی مانده تکرار می شود با این تفاوت که در این مرحله حاصلضرب احتمال نمونه حذف شده مرحله قبل در فاصله این نمونه از سایر نمونه های باقی مانده به استثنای نمونه کاندیدا، به فاصله بین نمونه ها اضافه میشود
بنا بر این منطق روش مذکور در حالت کلی این است که تلاش می کند مجموع حاصلضرب احتمال تک تک نقاط سناریو های کاندیدای حذف که در فاصله آن نقاط از مجموعه نقاط باقی مانده را محاسبه نماید، و در هر مرحله از مجموعه نقاط باقی مانده، یک مجموعه سناریو حذفی شکل متشکل از سناریو های حذف شده قبلی و کاندیداهای حذفی فعلی را ایجاد می نماید . در روش پسرو ، به ترتیب و یکی از پس از دیگری ، سناریوهایی که کاندیدای حذف می باشند، مشخص شده و بتدریج مجموعه سناریو های حذف شده مشخص می شوند الگوریتم این روش که در ادامه به آن اشاره شده است ، به صورت خلاصه به شرح ذیل است:
فاصله هر دو نقطه را محاسبه نمایید
حاصلضرب فاصله هر نقطه از بقیه نقاط را در احتمال آن نقطه محاسبه کنید
مینیمم حاصلضرب ها را استخراج کرده و آن را در دسته سناریو های کاندیدای حذفی قرار دهید (کاهش درخ سناریو)
مجموع حاصلضرب احتمال حذف شدگان قبلی و کاندیداهای حذف فعلی در فاصله آن از سناریو باقی مانده را محاسبه نمایید و مینیمم آن را در دسته سناریو های حذفی قرار دهید
این عمل را آنقدر تکرار نمایید تا مینیمم حاصلضرب ها از یک مقدار اپسیلن مورد نظر بزرگتر شود[۷۶].
۴-۴ الگوریتم پسروی کاهش سناریو
Step [0]: Calculate the distance of scenario pairs:
Sort the records
Step [1]: Computer
Step [i]: Computer
[یکشنبه 1400-09-28] [ 09:40:00 ب.ظ ]
|